Anhand der Winkel der Augen, wenn beide versuchen einen Makanten Punkt genau mittig des entsprechenden Bildes positioniere, ließe sich doch die entfernung bestimmen.
Anhand vom Winkel alpha ( Auge links ) und Winkel beta ( Auge rechts ) ließe sich doch eine ungefähre entfernung bestimmen.
Alle Winkel in einem Dreieick ergeben 180° seite a ist bekannt ( Abstand der Augen ) und die Winkel der Augen kann ich an der Mechanik ablesen, nun kann man doch die restlichen beiden Seitenlängen ausrechnen und hat den Abstand zum Objekt.
Wenn du die Entfernung über den Winkel der Augen berechnen willst, müssen sich die Augen für grösserer Entfernungen aber sehr genau posionieren lassen. Klingt mir recht aufwendig.
Wenn beide Augen starr und parallel ausgerichtet sind, müsste sich die Entfernung eines markanten Punktes doch auch über den Abstand den er auf den beiden Bildern des rechten und linken Auges hat ausrechnen lassen.
Schwieriger als die Berechnung der Entfernung stelle ich mir allerdings vor, einem Controller oder Computer beizubringen, welcher "markante" Punkt überhaupt von Interesse ist.

Wenn ich bei einem Menschen zuerst den übergang vom Fuß zum Boden ausmesse und danach den übergang kopf mit hintergrund dann weiß ich die Strecke zwischen den beiden Punkten = größe der Person.
Den Teil verstehe ich nicht.
Was willst du für einen Übergang vom Fuss zum Boden messen?
Wenn die Person steht gibts zwischen Füssen und dem Boden nicht viel Abstand zu messen.
Der Abstand zwischen Kopf und irgendeinem Hintergrund, z.B. einer weissen Wand dürfte mit einer Kamera schwierig zu messen sein. Inwiefern geben diese beiden Werte Rückschluss auf die Körpergrösse der Person?

zoomt er das Auge des Objekts oder etwas anderes eindeutiges in seinem Gesicht an und stellt dieses Scharf nun hat er eine grobe entfernung zum Objekt und ein Bild des Gesichtes.
Wie willst du einem Roboter beibringen, was scharf ist?
Normalerweise muss man bei Kameras erst mal die Enfernung des Motivs wissen, bzw. messen, um das Bild scharf stellen zu können.

Ein Teil von dem was du dir vorstellst, lässt sich sicherlich realisieren. Für Bildverarbeitung braucht man aber einiges an Speicher und ne Menge
Da dürfte ein PC eher geeignet sein als ein Microcontroller.